在时序预测领域，传统LSTM始终受困于两大核心痛点： 超参数调优依赖经验导致泛化能力薄弱，且预测结果缺乏不确定性量化，难以满足工业决策、金融风控等场景的可靠性需求。而近期ICML、arXiv等及预印本的研究成果，通过贝叶斯与LSTM的融合架构 成功突破这一桎梏，如今该方向已成为能源调度、航空制造等领域的研究热点。贝叶斯框架的引入不仅能通过高斯过程高效搜索最优超参数，还可借助蒙特卡罗dropout实现预测置信区间量化：在黄金价格预测任务中，贝叶斯LSTM较纯LSTM模型的均方误差降低33.2%，极端波动节点预测准确率提升18%；在航空发动机剩余寿命预测中，更能提前7天精准预警故障，将非计划停机时间减少35%。
对于深耕时序方向的论文er，贝叶斯优化策略、多变量不确定性建模、轻量化融合架构 等选题极具落地价值。我已整理好相关顶会论文 及复现代码（ 部分 ）， 覆盖能源、金融、工业等典型应用场景，想快速上手的同学，工种号 沃的顶会 扫码回复 "BOCL" 领取。
Short-Term Air Traffic Flow Prediction Based on CEEMD-LSTM of Bayesian Optimization and Differential Processing
文章解析
针对短期空中交通流量的非线性和非平稳性，提出 CEEMD-DF-BO-LSTM 模型，通过互补集合经验模态分解、数据差分处理和贝叶斯优化 LSTM 参数，提升预测精度，以上海浦东机场数据验证，效果优于传统模型。
创新点
结合CEEMD分解流量序列抑制模态混叠，差分处理稳定时序，贝叶斯优化LSTM参数，形成分解-处理-优化完整框架。
采用ADF检验判断平稳性，通过差分处理消除趋势项，使分解后的子序列更适合LSTM捕捉时序特征。
贝叶斯优化自动搜索最优超参数（如隐藏单元数、学习率），相较人工调参减少迭代次数，提升模型泛化能力。
研究方法
使用CEEMD将原始流量序列分解为IMF分量和残差，对非平稳分量进行差分处理，通过ADF检验确保平稳性，再经Min-Max归一化缩放到 -1,1 区间。
通过高斯过程建模目标函数，动态调整超参数（如层数、学习率），以最小化MAE为目标，减少人工调参成本。
构建CEEMD-DF-BO-LSTM模型，分70%训练集和30%测试集，对比SVR、ARIMA等单一模型及EMD-LSTM等组合模型，评估RMSE、MAE、R²指标。
对分解后的子序列独立预测后逆差分重构，结合残差累加生成最终结果，降低非线性因素对预测的影响。
研究结论
CEEMD-DF-BO-LSTM 的 RMSE为0.336，MAE为0.239，R²达97.535%，较单一LSTM模型误差降低73.7%，拟合效果显著提升。
CEEMD有效抑制模态混叠，差分处理提升序列平稳性，贝叶斯优化减少过拟合风险，三者结合显著增强模型对复杂流量波动的捕捉能力。
模型适用于短周期（5分钟）流量预测，为机场实时调度和空域管理提供高精度决策支持，可推广至其他交通领域的时序预测任务。
PROPOSED BAYESIAN OPTIMIZATION BASED LSTM-CNN MODEL FOR STOCK TREND PREDICTION
文章解析
本文针对股票趋势预测问题，提出LSTM-CNN混合模型，利用贝叶斯优化超参数，基于S&P 500数据验证。通过滑动窗口构建平衡数据集，对比传统模型，验证了时序特征主导下混合模型的优越性。
创新点
提出LSTM-CNN模型，以LSTM提取时序特征、CNN处理空间特征，颠覆传统CNN-LSTM结构，提升预测精度至97.41%。
引入贝叶斯优化超参数，自动搜索卷积层、LSTM单元数等最优组合，减少人工调参成本，提升模型效率。
通过Spearman相关性分析，验证时序特征（如移动平均线、RSI）对股票趋势预测的主导作用，确认LSTM层前置的合理性。
研究方法
采用20天滑动窗口提取S&P 500历史数据，生成平衡数据集，结合13项技术指标（MA、RSI等）构建特征矩阵，标签为次日涨跌趋势。
LSTM层捕捉时间依赖，CNN层提取空间特征，全连接层输出分类结果，通过贝叶斯优化确定最优层数、核大小等参数。
与CNN、LSTM、CNN-LSTM模型对比，使用准确率、精确率、召回率评估，验证LSTM-CNN在多指标上的优势。
80%训练、10%验证、10%测试，采用Adam优化器和二元交叉熵损失，训练中使用早停策略防止过拟合。
研究结论
LSTM-CNN在准确率（0.9741）、精确率（0.9684）、召回率（0.9800）上均优于对比模型，证明混合架构有效性。
LSTM 单独模型表现优于CNN，混合模型中LSTM前置结构更优，表明时序信息对股票趋势预测至关重要。
贝叶斯优化显著提升模型泛化能力，减少训练时间，为实时交易策略提供可复用的高效预测框架。
